Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo.

• Autor(a) principal: Silva, Rodrigo Oliveira
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/16199
• topic: Engenharia; COT; Redes neurais convulacionais; Aprendizado de máquina; TOC; Convolutional neural networks; Machine learning

O nível de carbono orgânico total das amostras de rochas é a principal medida quantitativa e qualitativa da quantidade de matéria orgânica presente em uma bacia. Muitas vezes é estimado manualmente através do estudo de amostras de rochas de origem. Esta abordagem, no entanto, requer tempo e dinheiro porque depende de amostras retiradas de vários intervalos de poços em rochas geradoras. Como resultado, tentativas de pesquisa têm sido feitas para auxiliar nessa empreitada. Algoritmos de aprendizado de máquina surgem como uma alternativa para fornecer estimativas de carbono orgânico total com base em registros de poços de dados e análise estratigráfica. Considerando esse cenário, a pesquisa atual sugere que a estimativa de carbono orgânico total seja automatizada usando abordagens de aprendizado de máquina. Para adicionar flexibilidade ao modelo, a seleção dos parâmetros dos modelos foi realizada usando uma abordagem com meta- heurísticas emparelhadas com validação cruzada. Esta técnica computacional permite a identificação de modelos com maior potencial de generalização. Foram usados Redes Neurais Convolucionais (RNC), Extreme Learning Machine, Elastic Net Linear Model e Extreme Gradient Boost. A abordagem sugerida foi validada usando amostras de algumas bacias sedimentares. Em várias métricas estudadas, a técnica RNC se sobressai às demais abordagens, demonstrando capacidade em auxiliar geólogos na previsão de concentrações de carbono orgânico total.